Extreme learning machines are feedforward neural networks for classification, regression, clustering, sparse approximation, compression and feature learning with a single layer or multiple layers of hidden nodes, where the parameters of hidden nodes (not just the weights connecting inputs to hidden nodes) need to be tuned. These hidden nodes can be randomly assigned and never updated (i.e. they are random projection but with nonlinear transforms), or can be inherited from their ancestors without being changed. In most cases, the output weights of hidden nodes are usually learned in a single step, which essentially amounts to learning a linear model. The name "extreme learning machine" (ELM) was given to such models by its main inventor Guang-Bin Huang.
| Attributes | Values |
|---|
| rdf:type
| |
| rdfs:label
| - Μηχανές ακραίας μάθησης (el)
- Extreme learning machine (en)
- Extreme learning machine (fr)
- エクストリーム・ラーニング・マシン (ja)
- 极限学习机 (zh)
- Машина екстремального навчання (uk)
|
| rdfs:comment
| - エクストリーム・ラーニング・マシン（英: extreme learning machine, ELM）は，1層もしくは複数の隠れ層を有する順伝播型ニューラルネットワークであり，分類や回帰，データ・クラスタリングへ適用できる。2004年にGuang-Bin Huang，Qin-Yu Zhu，Chee-Kheong Siewによって提案された。 隠れ層のノードはランダムに決定するため，最適化を図る必要はない。また，出力層の重みは擬似逆行列によって計算されるため，誤差逆伝播法を用いた場合よりも速いという特徴がある。 (ja)
- 极限学习机（英文：Extreme Learning Machines，縮寫ELM），又名超限学习机，為人工智能機器學習領域中的一種人工神經網路模型，是一种求解单隐层的学习演算法。极限学习机是用于分类、回归、聚类、稀疏逼近、压缩和特征学习的前馈神经网络，具有单层或多层隐层节点，其中隐层节点的参数（不仅仅是将输入连接到隐层节点的权重）不需要被调整。这些隐层节点可以随机分配并且不必再更新（即它们是随机投影但具有非线性变换），或者可以从其祖先继承下来而不被更改。在大多数情况下，隐层节点的输出权重通常是一步学习的，这本质上相当于学习一个线性模型。“超限学习机”（ELM）的名称是由其主要发明者黄广斌教授及其他学者共同商议后赋予此类模型的。 据其发明者称，这些模型能够产生良好的泛化性能，并且比使用反向传播训练的网络快数千倍。研究表明这些模型在分类和回归应用中一般都可以胜过Support Vector Machines (SVM, 支持向量机)。 (zh)
- Οι Μηχανές ακραίας μάθησης (συντομογρ. ΜΑΜ· αγγλικά: Extreme learning machines [ELMs]) είναι εμπροσθοτροφοδοτούμενα νευρωνικά δίκτυα που χρησιμοποιούνται για ταξινόμηση, παλινδρόμηση, κατηγοριοποίηση, σποραδική προσέγγιση, συμπίεση και μάθηση χαρακτηριστικών με ένα απλό ή πολλαπλά στρώματα κρυφών κόμβων, όπου οι παράμετροι των κρυφών κόμβων (όχι απλώς τα βάρη που συνδέουν τις εισόδους σε κρυφούς κόμβους) δεν χρειάζεται να ρυθμιστούν. Αυτοί οι κόμβοι μπορούν να εκχωρηθούν τυχαία και να μην ενημερωθούν ποτέ (δηλ. είναι τυχαίες προβολές αλλά με μη γραμμικούς μετασχηματισμούς) ή μπορούν να κληρονομηθούν από τους προγόνους τους χωρίς να αλλάξουν. Στις περισσότερες περιπτώσεις τα βάρη εξόδου των κρυφών κόμβων μαθαίνονται σε ένα απλό βήμα, το οποίο ουσιαστικά γίνεται στη μάθηση ενός γραμμικού μο (el)
- Extreme learning machines are feedforward neural networks for classification, regression, clustering, sparse approximation, compression and feature learning with a single layer or multiple layers of hidden nodes, where the parameters of hidden nodes (not just the weights connecting inputs to hidden nodes) need to be tuned. These hidden nodes can be randomly assigned and never updated (i.e. they are random projection but with nonlinear transforms), or can be inherited from their ancestors without being changed. In most cases, the output weights of hidden nodes are usually learned in a single step, which essentially amounts to learning a linear model. The name "extreme learning machine" (ELM) was given to such models by its main inventor Guang-Bin Huang. (en)
- En apprentissage automatique, le terme extreme learning machine (machine à apprentissage extrême) fait référence à un type de réseau de neurones. Sa spécificité est de n'avoir qu'une seule couche de nœuds cachés, où les poids des entrées de connexion de nœuds cachés sont répartis au hasard et jamais mis à jour. Ces poids entre les nœuds cachés d'entrée et les sorties sont appris en une seule étape, ce qui revient essentiellement à l'apprentissage d'un modèle linéaire. Le nom "extreme learning machine" (ELM) a été donné à ces modèles par Guang-Bin Huang, mais le principe était déjà connu. (fr)
- Маши́ни екстрема́льного навча́ння (МЕН, англ. extreme learning machines, ELM) — це нейронні мережі прямого поширення для класифікування або регресії з єдиним шаром прихованих вузлів, у яких ваги, що з'єднують входи з прихованими вузлами, є випадково призначеними й ніколи не уточнюваними. Ваги між прихованими вузлами та виходами навчаються за один крок, який по суті становить навчання лінійної моделі. Назву «машини екстремального навчання» (англ. extreme learning machine, ELM) цим моделям дав Гуан-Бін Хуан (англ. Guang-Bin Huang). (uk)
|
| rdfs:seeAlso
| |
| dcterms:subject
| |
| Wikipage page ID
| |
| Wikipage revision ID
| |
| Link from a Wikipage to another Wikipage
| |
| Link from a Wikipage to an external page
| |
| sameAs
| |
| dbp:wikiPageUsesTemplate
| |
| has abstract
| - Οι Μηχανές ακραίας μάθησης (συντομογρ. ΜΑΜ· αγγλικά: Extreme learning machines [ELMs]) είναι εμπροσθοτροφοδοτούμενα νευρωνικά δίκτυα που χρησιμοποιούνται για ταξινόμηση, παλινδρόμηση, κατηγοριοποίηση, σποραδική προσέγγιση, συμπίεση και μάθηση χαρακτηριστικών με ένα απλό ή πολλαπλά στρώματα κρυφών κόμβων, όπου οι παράμετροι των κρυφών κόμβων (όχι απλώς τα βάρη που συνδέουν τις εισόδους σε κρυφούς κόμβους) δεν χρειάζεται να ρυθμιστούν. Αυτοί οι κόμβοι μπορούν να εκχωρηθούν τυχαία και να μην ενημερωθούν ποτέ (δηλ. είναι τυχαίες προβολές αλλά με μη γραμμικούς μετασχηματισμούς) ή μπορούν να κληρονομηθούν από τους προγόνους τους χωρίς να αλλάξουν. Στις περισσότερες περιπτώσεις τα βάρη εξόδου των κρυφών κόμβων μαθαίνονται σε ένα απλό βήμα, το οποίο ουσιαστικά γίνεται στη μάθηση ενός γραμμικού μοντέλου. Το όνομα "ακραίες μηχανές μάθησης" δώθηκε σε αυτά τα μοντέλα από τον κύριο εφευρέτη τους Guang-Bin Huang. Σύμφωνα με τους δημιουργούς τους, αυτά τα μοντέλα είναι ικανά να παράγουν καλές επιδόσεις γενίκευσης και μαθαίνουν χιλιάδες φορές γρηγορότερα από δίκτυα που εκπαιδεύονται με την χρήση του αλγορίθμου οπισθοδιάδοσης. Στην βιβλιογραφία, επίσης φαίνεται ότι τέτοιου είδους μοντέλα μπορούν να ξεπεράσουν τις επιδόσεις των Μηχανών Υποστήριξης Διανυσμάτων (ΜΥΔ) και ότι οι ΜΥΔ παρέχουν μη βέλτιστες λύσεις σε εφαρμογές ταξινόμησης και παλινδρόμησης. (el)
- Extreme learning machines are feedforward neural networks for classification, regression, clustering, sparse approximation, compression and feature learning with a single layer or multiple layers of hidden nodes, where the parameters of hidden nodes (not just the weights connecting inputs to hidden nodes) need to be tuned. These hidden nodes can be randomly assigned and never updated (i.e. they are random projection but with nonlinear transforms), or can be inherited from their ancestors without being changed. In most cases, the output weights of hidden nodes are usually learned in a single step, which essentially amounts to learning a linear model. The name "extreme learning machine" (ELM) was given to such models by its main inventor Guang-Bin Huang. According to their creators, these models are able to produce good generalization performance and learn thousands of times faster than networks trained using backpropagation. In literature, it also shows that these models can outperform support vector machines in both classification and regression applications. (en)
- En apprentissage automatique, le terme extreme learning machine (machine à apprentissage extrême) fait référence à un type de réseau de neurones. Sa spécificité est de n'avoir qu'une seule couche de nœuds cachés, où les poids des entrées de connexion de nœuds cachés sont répartis au hasard et jamais mis à jour. Ces poids entre les nœuds cachés d'entrée et les sorties sont appris en une seule étape, ce qui revient essentiellement à l'apprentissage d'un modèle linéaire. Le nom "extreme learning machine" (ELM) a été donné à ces modèles par Guang-Bin Huang, mais le principe était déjà connu. Ces modèles peuvent produire une bonne performance de généralisation et avoir un processus d'apprentissage beaucoup plus rapide que les réseaux entraînés en utilisant la rétropropagation du gradient. (fr)
- エクストリーム・ラーニング・マシン（英: extreme learning machine, ELM）は，1層もしくは複数の隠れ層を有する順伝播型ニューラルネットワークであり，分類や回帰，データ・クラスタリングへ適用できる。2004年にGuang-Bin Huang，Qin-Yu Zhu，Chee-Kheong Siewによって提案された。 隠れ層のノードはランダムに決定するため，最適化を図る必要はない。また，出力層の重みは擬似逆行列によって計算されるため，誤差逆伝播法を用いた場合よりも速いという特徴がある。 (ja)
- 极限学习机（英文：Extreme Learning Machines，縮寫ELM），又名超限学习机，為人工智能機器學習領域中的一種人工神經網路模型，是一种求解单隐层的学习演算法。极限学习机是用于分类、回归、聚类、稀疏逼近、压缩和特征学习的前馈神经网络，具有单层或多层隐层节点，其中隐层节点的参数（不仅仅是将输入连接到隐层节点的权重）不需要被调整。这些隐层节点可以随机分配并且不必再更新（即它们是随机投影但具有非线性变换），或者可以从其祖先继承下来而不被更改。在大多数情况下，隐层节点的输出权重通常是一步学习的，这本质上相当于学习一个线性模型。“超限学习机”（ELM）的名称是由其主要发明者黄广斌教授及其他学者共同商议后赋予此类模型的。 据其发明者称，这些模型能够产生良好的泛化性能，并且比使用反向传播训练的网络快数千倍。研究表明这些模型在分类和回归应用中一般都可以胜过Support Vector Machines (SVM, 支持向量机)。 (zh)
- Маши́ни екстрема́льного навча́ння (МЕН, англ. extreme learning machines, ELM) — це нейронні мережі прямого поширення для класифікування або регресії з єдиним шаром прихованих вузлів, у яких ваги, що з'єднують входи з прихованими вузлами, є випадково призначеними й ніколи не уточнюваними. Ваги між прихованими вузлами та виходами навчаються за один крок, який по суті становить навчання лінійної моделі. Назву «машини екстремального навчання» (англ. extreme learning machine, ELM) цим моделям дав Гуан-Бін Хуан (англ. Guang-Bin Huang). Згідно їхніх творців, ці моделі здатні видавати добру продуктивність узагальнення, і вчитися в тисячі разів швидше за мережі, треновані застосуванням зворотного поширення. (uk)
|
| gold:hypernym
| |
| prov:wasDerivedFrom
| |
| page length (characters) of wiki page
| |
| foaf:isPrimaryTopicOf
| |
| is Link from a Wikipage to another Wikipage
of | |
| is Wikipage redirect
of | |
| is Wikipage disambiguates
of | |
| is foaf:primaryTopic
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)